Value at Risk
Grundlagen, Anwendung der Risikoanalysemodelle auf ein Aktien-Portfolio sowie deren kritische Würdigung und Lösungsansätze zur Optimierung
- Art: Diplomarbeit
- Autor: David Winterhalter
- Abgabedatum: Juni 2003
- Umfang: 124 Seiten
- Dateigröße: 712,8 KB
- Note: 1,8
- Institution / Hochschule: Berufsakademie Villingen-Schwenningen Deutschland
- ISBN (eBook): 978-3-8324-8253-4
-
ISBN (Paperback) :
978-3-8324-8253-4 P - ISBN (CD) :978-3-8324-8253-4 CD
- Sprache: Deutsch
- Prämierung:
- Arbeit zitieren: Winterhalter, David Juni 2003: Value at Risk, Hamburg: Diplomica Verlag
- Schlagworte: Varianz-Kovarianz-Modell, Historische Simulation, Monte Carlo Simulation, Marktpreisrisiken, Volatilität
In den Warenkorb
74,00 €
Diplomarbeit von David Winterhalter
Einleitung:
„In the financial universe, risk and return are two sides of the same coin.“ Stellt man dieser Aussage die aktuelle Lage der Finanzdienstleister gegenüber, wird deutlich, welch enorme Bedeutung das Risikomanagement und damit auch die Modelle zur Messung des Value at Risk einnehmen. Daher befasst sich die vorliegende Arbeit mit den Grundlagen zur Ermittlung des Value at Risk, der Anwendung der Risikoanalysemodelle auf ein aus Aktien bestehendes Portfolio, deren kritische Würdigung und der Vorstellung einer Auswahl an Optimierungsmöglichkeiten. Es soll ausdrücklich darauf hingewiesen werden, dass das Musterportfolio nur hinsichtlich der Berechnung des Value at Risk im Rahmen der Betrachtung der Risikoanalysemodelle zur Anwendung kommt.
Der Aufbau der Arbeit wird nachfolgend beschrieben. In Kapitel 1 wird die Entwicklung an den Finanzmärkten und bestimmten Regelungswerken aufgezeigt, die zur Notwendigkeit der Quantifizierung der Marktpreisrisiken führten. Im 2. Kapitel werden die Begriffe Marktpreisrisiko und Market-to-Market Bewertung definitorisch abgegrenzt, sowie der Random Walk als Modell für Marktpreisänderungen und das den Berechnungen zugrunde liegende Portfolio dargestellt. Das 3. Kapitel definiert den Value at Risk als Begriff und in mathematischer Schreibweise. In Kapitel 4 werden im Rahmen der mathematischen Grundlagen die Momentmethode, Korrelation/Kovarianz sowie die Normal- und Standardnormalverteilung aufgezeigt. Die Definitionen und Anwendungen der Risikoanalysemodelle Varianz-Kovarianz-Modell, Historische Simulation und Monte Carlo Simulation findet man in Kapitel 5 wieder. Die kritische Würdigung der Risikoanalysemodelle und ein exemplarisches Back-Testing folgen in Kapitel 6. Die Lösungsansätze zur Optimierung der Modelle werden im 7. Kapitel behandelt, wobei zuerst auf alternative theoretische Verteilungen zur Normalverteilung eingegangen wird. Dem schließt sich die Approximation der Normalverteilung durch Elimination von Ausreißern an. Abgerundet wird das Kapitel durch die Modellierung der Volatilität. Den Schlussteil bildet das Fazit in Kapitel 8, in dem die Relevanz des Value at Risk und der Risikomodelle noch einmal unterstrichen wird.
Inhaltsverzeichnis:
| 0. | Einleitung | 1 |
| 1. | Notwendigkeit zur Quantifizierung von Marktpreisrisiken | 2 – 7 |
| 1.1 | Entwicklung des Derivatehandels | 2 – 3 |
| 1.2 | Aufsichtsrechtliche Reglungen hinsichtlich der Begrenzung von Marktpreisrisiken | 3 – 7 |
| 1.2.1 | Gesetzliche Grundlagen | 3 – 5 |
| 1.2.2 | Anforderungen an die internen Risikomodelle | 5 – 7 |
| 2. | Begriffsabgrenzungen | 7 – 11 |
| 2.1 | Marktpreisrisiko | 7 – 9 |
| 2.2 | Market-to-Market Bewertung | 9 |
| 2.3 | Der Random Walk als Modell für Marktpreisänderungen | 9 – 10 |
| 2.4 | Das Portfolio | 10 – 11 |
| 3. | Der Value at Risk | 11 – 13 |
| 3.1 | Begriffliche Definition | 11 – 12 |
| 3.2 | Mathematische Definition | 12 – 13 |
| 4. | Mathematische Grundlagen | 13 – 18 |
| 4.1 | Momentmethode | 13 – 16 |
| 4.1.1 | Lageparameter | 14 – 15 |
| 4.1.2 | Streuungsparameter | 15 – 16 |
| 4.1.3 | Schiefeparameter | 16 |
| 4.1.4 | Stauchungsparameter | 16 |
| 4.2 | Korrelation und Kovarianz | 17 |
| 4.3 | Normal- und Standardnormalverteilung | 17 – 18 |
| 5. | Definition und Anwendung der Modelle der Risikoanalyse auf das Portfolio | 18 – 31 |
| 5.1 | Varianz-Kovarianz-Modell | 19 – 24 |
| 5.2 | Historische Simulation | 24 – 26 |
| 5.3 | Monte Carlo Simulation | 26 – 30 |
| 5.4 | Exemplarisches Back-Testing | 31 |
| 6. | Kritische Würdigung der Risikoanalysemodelle | 31 – 34 |
| 6.1 | Varianz-Kovarianz-Modell | 31 – 32 |
| 6.2 | Historische Simulation | 33 |
| 6.3 | Monte Carlo Simulation | 34 |
| 7. | Lösungsansätze zur Optimierung der Modelle | 35 – 56 |
| 7.1 | Alternative theoretische Verteilungen zur Normalverteilung | 35 – 40 |
| 7.1.1 | Annahmen und empirische Befunde | 35 – 36 |
| 7.1.2 | Stationäre Verteilungsmodelle | 36 – 40 |
| 7.2 | Approximation der Normalverteilung durch Elimination von Ausreißern | 41 – 42 |
| 7.3 | Modellierung der Volatilität | 43 – 56 |
| 7.3.1 | Ausgangspunkte | 43 – 45 |
| 7.3.2 | Bestimmung der Volatilität | 45 – 47 |
| 7.3.3 | Modelle zur Schätzung der Volatilität | 47 – 56 |
| 8. | Fazit | 56– 57 |
19 Während die Risikoanalyse sämtliche Risikoparameter in ihre Betrachtung mit einbezieht, wird dieser Rechenaufwand in Szenarioanalysen auf eine Auswahl von Risikofaktoren reduziert. So kann die Szenarioanalyse auf ganz bestimmte Faktoren, wie z. B. den Beta-Faktor bei Aktien, beschränkt werden, die aber die Einflüsse auf die Marktpreisveränderungen deutlich wiedergeben.82 Während bei dem Varianz-Kovarianz-Modell die zu bestimmenden Größen analytisch berechnet werden, erfolgt bei der Historischen Simulation und der Monte Carlo Simulation ein „Ziehen“ von Szenarien, aus denen der Value at Risk berechnet wird. Im Folgenden wird auf diese drei in der Praxis am weitesten verbreiteten Verfahren zur Ermittlung des Value at Risk eingegangen.83 [...]
Die Standardnormalverteilung kann aus jeder Normalverteilung ermittelt werden. Die Normalverteilung wiederum ergibt sich aus der Gauß-Verteilung, die im Anhang 4 definiert ist.76Sind die Werte der Gauß-Verteilung bekannt so kann mittels der Z-Transformation aus der Normalverteilung die Standardnormalverteilung ermittelt werden. Die Standardnormalverteilung ist eine Normalverteilung mit Erwartungswert Null und einer Standardabweichung von Eins. 77 Die Standardisierung erfolgt über den Wert Z und stellt sich wie in Anhang 4 aufgezeigt dar.78 Da die Standardnormalverteilung symmetrisch ist, reicht eine Auflistung des positiven Teiles der Verteilungshälfte, wie aus Anhang 5 ersichtlich. Die Auflistung ist notwendig, da das Integral der Verteilungsfunktion nicht analytisch berechnet werden kann, was die Bestimmung von Quantilen [...]
Die Korrelation bzw. Kovarianz beschreibt den Zusammenhang zwischen zwei Zufallsvariablen. Für empirische Betrachtungen gelten für die Kovarianz und die Korrelation zweier Renditen die in Anlage 3 dargelegten Formeln.73 Die Kovarianz gibt die gemeinsame Streuung der Renditen wieder und in welchem Verhältnis sich zwei Renditen in Bezug auf den Umfang ihrer Renditeveränderungen verhalten. Es wird also untersucht, ob mit großen Renditeveränderungen des einen Titels auch große Veränderungen des anderen mit einhergehen. Die Aussagekraft der Kovarianz ist aber beschränkt, weshalb sie in die Korrelation transformiert wird.74 Ist die Korrelation Null, so spricht man von der Unkorreliertheit der Renditen. Es ist damit aber nur ein linearer Zusammenhang ausgeschlossen. Sind die Renditen perfekt negativ korreliert, so ergibt sich ein Wert von minus Eins, d. h., die Renditen entwickeln sich in genau entgegengesetzte Richtung, was aus Diversifikationssicht am idealsten ist. Für die Grenze plus Eins ergibt sich ein absoluter Gleichlauf der Renditen.75 [...]
In den Warenkorb
74,00 €
Link zur Arbeit:
http://www.diplom.de/ean/9783832482534
Arbeit zitieren:
Winterhalter, David Juni 2003: Value at Risk, Hamburg: Diplomica Verlag
Schlagworte:
Varianz-Kovarianz-Modell, Historische Simulation, Monte Carlo Simulation, Marktpreisrisiken, Volatilität



